Miniatura

Fitxers

memoria.pdf (2.39 MB)

Tipus de document

Treball de fi de grau

Data de publicació

2017-06-27

Llicència de publicació

cc-by-nc-nd (c) Alejandro Gutiérrez Galopa, 2017
Si us plau utilitzeu sempre aquest identificador per citar o enllaçar aquest document: https://hdl.handle.net/2445/122069

Probabilistic programming: the Monte Carlo boost

Títol de la revista

Autors

Director/Tutor

ISSN de la revista

Títol del volum

Recurs relacionat

Resum

[en] The main goal of this project is to demonstrate the existing symbiosis between Monte Carlo Markov Chain (MCMC) methods and Probabilistic Programming. By carrying out a thorough study of how MCMC methods work, including an analysis of their algorithms and convergence, the in and outs of Probabilistic Programming can be better understood. One of the many applications of Probabilistic Programming is then employed in the study of the performance of a professional basketball player during his career. The model has been implemented using PyMC3, a Python package for sampling data using Monte Carlo Markov Chain methods.

Descripció

Treballs Finals de Grau de Matemàtiques, Facultat de Matemàtiques, Universitat de Barcelona, Any: 2017, Director: Jordi Vitrià i Marca

Matèries

Mètode de Montecarlo, Treballs de fi de grau, Processos de Markov, Algorismes computacionals, Programació (Ordinadors), Basquetbol

Matèries (anglès)

Monte Carlo method, Bachelor's theses, Markov processes, Computer algorithms, Computer programming, Basketball

Citació

Col·leccions

Treballs Finals de Grau (TFG) - Matemàtiques

Citació

GUTIÉRREZ GALOPA, Alejandro. Probabilistic programming: the Monte Carlo boost. [consulta: 22 de febrer de 2026]. [Disponible a: https://hdl.handle.net/2445/122069]

Exportar metadades

JSON - METS

Compartir registre